买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津汲智科技有限公司;南开大学申请的专利一种基于持续低秩适应的通用信息抽取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120338087B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510813076.4，技术领域涉及：G06N5/025；该发明授权一种基于持续低秩适应的通用信息抽取方法是由刘杰;金钰设计研发完成，并于2025-06-18向国家知识产权局提交的专利申请。

本一种基于持续低秩适应的通用信息抽取方法在说明书摘要公布了：本发明提供一种基于持续低秩适应的通用信息抽取方法，包括选择经过预训练的模型作为基座模型并进行初始化；为基座模型的至少一个权重矩阵初始化至少两个秩分解矩阵；根据分层训练机制分别训练第一低秩分解矩阵和第二低秩分解矩阵；根据分层合并机制得到对应的推理模型；将自然语言文本和自然语言指令输入到第二推理模型中；输出结构化信息抽取结果。本发明的有益效果是能够解决基于多任务学习策略的低层级任务增强方法对低层级任务的利用不充分的问题，进而提升模型在信息抽取任务上的表现；通过渐进式训练机制，使简单任务和复杂任务能够按照由简到难的顺序依次学习；模型能够在掌握简单任务知识的基础上进一步学习复杂任务，进而增强学习效果。

本发明授权一种基于持续低秩适应的通用信息抽取方法在权利要求书中公布了：1.一种基于持续低秩适应的通用信息抽取方法，其特征在于，包括以下步骤： 选择经过预训练的模型作为基座模型并进行初始化； 为所述基座模型的至少一个权重矩阵初始化至少两个秩分解矩阵，至少两个秩分解矩阵包括第一低秩分解矩阵和第二低秩分解矩阵； 根据分层训练机制分别训练所述第一低秩分解矩阵和所述第二低秩分解矩阵； 训练所述第一低秩分解矩阵包括以下步骤： 冻结所述基座模型的权重； 根据所述第一低秩分解矩阵的任务目的收集得到第一输入文本； 所述第一输入文本经过预处理后生成第一输入向量； 将所述第一输入向量输入到所述基座模型中； 根据方程式计算第一输出向量，其中为所述第一输出向量，为所述第一输入向量，表示第一输出向量维度，表示第一输入向量维度，表示一个维的实数空间，为所述基座模型的原始权重矩阵，为所述第一低秩分解矩阵； 基于最小化负对数似然损失作为损失函数优化所述第一低秩分解矩阵的参数； 训练所述第二低秩分解矩阵包括以下步骤： 冻结所述基座模型的权重和所述第一低秩分解矩阵； 根据所述第二低秩分解矩阵的任务目的收集得到第二输入文本； 所述第二输入文本经过预处理后生成第二输入向量； 将所述第二输入向量输入到所述基座模型中； 根据方程式计算第二输出向量，其中为所述第二输出向量，为所述第二输入向量，为所述第二输入向量，表示第二输出向量维度，表示第二输入向量维度，表示一个维的实数空间，为所述基座模型的原始权重矩阵，为所述第一低秩分解矩阵，为所述第二低秩分解矩阵； 基于最小化负对数似然损失作为所述损失函数优化所述第二低秩分解矩阵的参数； 根据分层合并机制将所述基座模型的权重、所述第一低秩分解矩阵和所述第二低秩分解矩阵进行合并，得到对应的第一推理模型和第二推理模型； 将自然语言文本信息输入到所述第二推理模型中； 通过自然语言指令指定任务类型和输出格式，输出结构化信息抽取结果； 所述分层训练机制是指高层级的低秩分解矩阵和低层级的低秩分解矩阵遵守累加特性进行权重冻结、计算输出向量和确定损失函数； 所述分层合并机制是指高层级的低秩分解矩阵和低层级的低秩分解矩阵遵守累加特性进行矩阵合并得到推理模型； 所述第一推理模型通过将所述基座模型权重和训练后的所述第一低秩分解矩阵进行合并后得到； 所述第二推理模型通过将所述基座模型的权重、训练后的所述第一低秩分解矩阵和训练后的所述第二低秩分解矩阵进行合并后得到。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津汲智科技有限公司;南开大学，其通讯地址为：300110 天津市南开区科研西路天津科技广场6-1-0907(天开园)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。